隨同全球數(shù)字化進程的加速，人工智能成為引領未來世界開展的要害技能。近年來，各國政府、科研教育機構(gòu)、科技企業(yè)及專家學者紛繁參加到推進人工智能工業(yè)開展的過程中，人工智能技能與工業(yè)交融程度不斷加深。

本期的智能內(nèi)參，我們引薦尚普咨詢的陳述《2022年全球人工智能工業(yè)研討陳述》，揭秘人工智能的開展前沿。

來源 尚普咨詢

《2022年全球人工智能工業(yè)研討陳述》

作者：孫碩 宿碩 劉宇 張祎 周文青

一、人工智能工業(yè)概略

近年來，人工智能技能得到快速開展，其對經(jīng)濟社會開展以及出發(fā)生活方式變革將發(fā)生重大影響。全球范圍內(nèi)美國、歐盟、英國、日本、我國等國家和地區(qū)均大力支撐人工智能工業(yè)開展，相關新興運用不斷落地。依據(jù)Deloitte陳述猜測，全球人工智能工業(yè)規(guī)劃從2017年的6,900億美元添加至2025年的64,000億美元，2017-2025年復合添加率32.10%，出現(xiàn)較快添加走勢。

投融資方面，全球人工智能出資商場近年來快速開展，全體融資規(guī)劃從2015年的63億美元添加至2021年的668億美元。2021年全球醫(yī)療AI融資規(guī)劃較高到達122億美元，金融科技AI融資規(guī)劃為39億美元，零售AI融資規(guī)劃為37億美元。

尚普研討院依據(jù)CB Insights數(shù)據(jù)統(tǒng)計，全球現(xiàn)有人工智能企業(yè)超越11,000家，累計融資總額超越2,500億美元。其間，美國具有AI相關企業(yè)到達4,171家，累計融資金額到達1,601.9億美元，在公司數(shù)量和融資規(guī)劃上均位居世界首位；我國具有1,275家AI公司，融資總金額為470.7億美元，位居世界第二位。英國、印度、加拿大等國家也各自具有百余家AI公司，AI企業(yè)數(shù)量排名前10位的國家占全球總數(shù)的78.3%，累計融資金額則到達全球總額的95%，AI企業(yè)和融資活動集中在美、中、英等國家。

尚普研討院將處于全球人工智能工業(yè)鏈中的典型上市公司進行整理，名單中以具備綜合實力的科技巨頭為主，國外如Google、Amazon、Microsoft等，國內(nèi)如百度、阿里巴巴、騰訊等。此外，國內(nèi)的商湯、科大訊飛等具有強技能屬性的AI公司受重視度較高。

二、AI芯片，廣泛運用于云、邊、端各類場景

AI芯片(AI Chip)：專門用于處理人工智能相關的核算使命，其架構(gòu)針對人工智能算法和運用進行專門優(yōu)化，具有高效處理很多結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的特征，可高效支撐視覺、語音、自然言語處理等智能處理使命。當時AI芯片類型首要觸及GPU、FPGA、TPU、IPU、DPU、NPU等類別。從運用場景來看，AI芯片廣泛運用于云端、邊際端、終端等各類場景，其間云端AI芯片具備高功能特征，終端AI芯片具有低功耗和高能效特性，而邊際端AI芯片功能介于云端和終端之間。

現(xiàn)在，點評AI芯片功能的方針首要包括：TOPS、TOPS/W、時延、本錢、功耗、可擴展性、精度、適用性、吞吐量、熱管理等。其間，TOPS/W是用于衡量在1W功耗的情況下,芯片能進行多少萬億次操作的要害方針。近年來，MIT、Nvidia等研發(fā)人員開發(fā)專門的芯片軟件點評東西關于AI芯片的功能做出了系統(tǒng)、全面點評，如Accelergy（評價芯片架構(gòu)級能耗）、Timeloop（評價芯片運算履行情況）等。MLPerf是由來自學術(shù)界、研討實驗室和相關行業(yè)的AI領導者組成的聯(lián)盟，旨在“構(gòu)建公平和有用的基準測試”，可用于衡量深度學習軟件框架、AI芯片和云渠道功能。

CPU作為通用處理器，包括操控單元（指令讀取及指令譯碼）、存儲單元（CPU片內(nèi)緩存和寄存器）及運算單元（ALU約占20%CPU空間）三個首要模塊，但受制于本錢/功耗/技能難度/算力瓶頸等問題，現(xiàn)在仍未出現(xiàn)適配AI高算力要求的主流CPU產(chǎn)品。GPU是一種由很多中心組成的大規(guī)劃并行核算架構(gòu)，具有較多運算單元（ALU）和較少緩存（cache），是一款專為一起處理多重使命而規(guī)劃的芯片，具備良 好的矩陣核算才能和并行核算優(yōu)勢，能滿足深度學習等AI算法的處理需求，成為主流云端AI芯片。

英偉達A100芯片為多個SM單元(Streaming Multiprocessors，流式多處理器)構(gòu)成的并發(fā)多核處理器，不同SM單元同享L2 Cache存儲資源進行數(shù)據(jù)訪存，A100的安培架構(gòu)中有128個SM核，SM結(jié)構(gòu)是芯片架構(gòu)晉級的中心。Tensor Core是英偉達GPU架構(gòu)中專為深度學習矩陣運算設置的張量核算單元，是英偉達GPU系列深度學習運算加速的中心。Tensor Core處理的是大型矩陣運算，其履行一種專門的矩陣數(shù)學運算，適用于深度學習和某些類型的高功能核算。Tensor Core功能是履行交融乘法和加法的運算，其間兩個4*4 FP16矩陣相乘，然后將成果添加到4*4 FP32或FP64矩陣中，終究輸出新的4*4 FP32或FP64矩陣。

AIoT經(jīng)過交融AI和IoT技能完成萬物智聯(lián)，其首要觸及到安防、移動互聯(lián)網(wǎng)等多樣化場景。在才智安防方面，因為終端攝像頭每天發(fā)生很多的視頻數(shù)據(jù)，若全部回傳到云數(shù)據(jù)中心將會對網(wǎng)絡帶寬和數(shù)據(jù)中心資源造成極大占用。經(jīng)過在終端加裝AI芯片，可完成數(shù)據(jù)本地化實時處理，即僅將經(jīng)過結(jié)構(gòu)化處理、要害信息提取后帶有要害信息的數(shù)據(jù)回傳云端，大大下降網(wǎng)絡傳輸帶寬壓力。當時主流解決方案為前端攝像頭設備內(nèi)集成AI芯片，在邊際端采用智能服務器級產(chǎn)品，后端在邊際服務器中集成智能推理芯片。現(xiàn)在國內(nèi)外企業(yè)正在加大對邊際端AI視覺處理芯片的研發(fā)和投入，相關芯片產(chǎn)品如英偉達Jetson AGX Xavier、地平線旭日3、華為海思Hi3559A V100等。

跟著智能駕駛等級的進步，技能不斷迭代促使車用AI芯片功能逐漸增強。SAE（世界自動機工程師學會）將自動駕駛劃分為六個等級：L0（非自動化）、L1（駕駛員輔佐）、L2（部分自動化，如交通擁堵輔佐和高級緊急制動+轉(zhuǎn)向）、L3（有條件自動化，如高速路途自動駕駛）、L4（高度自動化，如城市自動駕駛）和L5（完全自動化，如全場景自動駕駛）。從L3開端每一等級均需求強大的算力進行實時分析，處理很多數(shù)據(jù)，履行復雜的邏輯運算，對核算才能有著極高要求。每一等級自動駕駛轎車所需的芯片核算才能一般認為是：L3約為250TOPS，L4超越500TOPS，L5超越1,000TOPS。跟著芯片規(guī)劃和制造工藝的進步，車用AI芯片正朝著高算力、低功耗的方向開展。

估計到2025年，全球車用AI芯片商場規(guī)劃將打破17億美元。跟著轎車操控方式逐漸由機械式轉(zhuǎn)向電子式，每輛轎車對車用AI芯片需求進步，帶動車用AI芯片長期開展。依據(jù)Yole猜測，2025年全球車用AI芯片產(chǎn)量將到達67.19億顆，商場規(guī)劃將到達17.76億美元，年復合增速分別到達99.28%和59.27%。此外，車用AI芯片逐漸往高能效方向開展，如英特爾2022年推出的EyeQ Ultra自動駕駛轎車芯片，根據(jù)經(jīng)過驗證的Mobileye EyeQ架構(gòu)而打造，其含有8個PMA、16個VMP、24個MPC、2個CNN Accelerator視覺處理單元（VPU），經(jīng)過優(yōu)化算力和效能以到達176TOPS，可滿足L4自動駕駛場景，該產(chǎn)品將于2023年末供貨，估計在2025年全面完成車規(guī)級量產(chǎn)。

AI芯片在圖畫辨認、語音辨認和快速樹立用戶畫像等方面具有重要效果。依據(jù)Yole猜測，2026年全球消費電子AI芯片商場規(guī)劃將到達55.8億美元，其間筆記本電腦、平板電腦和智能手機AI芯片滲透率將分別到達100%、100%和91%，未來全球消費電子AI芯片商場規(guī)劃和滲透率出現(xiàn)逐漸添加態(tài)勢。

三、人工智能趨勢展望

1、前沿技能

Transformer模型:由Google的Ashish Vaswani等人和多倫多大學的Aidan N.Gomez于2017年初次提出，是一種根據(jù)自注意力機制（在Transformer模型中起基礎效果，可削減對外部信息的依賴,更拿手捕捉數(shù)據(jù)或特征的內(nèi)部聯(lián)系，優(yōu)化模型練習成果）的深度學習模型，該模型首要由編碼器和解碼器構(gòu)成，模型本身并行度較高，在精度和功能上均要優(yōu)于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡（RNN）和卷積神經(jīng)網(wǎng)絡（CNN）。Transformer模型在簡單言語問答和言語建模使命上有著較好表現(xiàn)。Transformer模型仍存在一些不足，如對局部信息的獲取才能弱于RNN和CNN、不能很好表征單詞的方位信息、頂層梯度消失等問題。

BERT模型:由Google于2018年提出，是根據(jù)Transformer Encoder構(gòu)建的一種模型。模型基本思想：給定上下文來猜測下一個詞。BERT模型架構(gòu)是由多接口組成的Transformer編碼器層，即全銜接神經(jīng)網(wǎng)絡添加自注意力機制。關于序列中的每個輸入符號，每個接口核算鍵、值和查詢向量，相關向量用于創(chuàng)建加權(quán)表明，兼并同一層中所有接口輸出并經(jīng)過全銜接層運轉(zhuǎn)。每個層運用跳躍銜接進行包裝，之后將層歸一化處理。BERT模型傳統(tǒng)作業(yè)流首要包括預練習和模型微調(diào)兩部分，其間預練習環(huán)節(jié)觸及MLM和NSP兩個半監(jiān)督使命；模型微調(diào)環(huán)節(jié)包括一個或更多全銜接層，通常添加到終究編碼器層的頂部。BERT模型已集成在谷歌查找中，并進步10%的查詢準確率。

ViT模型(Vision Transformer):由Google公司Alexey Dosovitskiy等人在2021年提出，其原理是將本來用于NLP范疇的根據(jù)自注意力機制的Transformer模型運用于核算機視覺范疇。比較于傳統(tǒng)CNN算法，ViT模型在大數(shù)據(jù)集上辨認率更高、本錢更低。ViT模型的基本原理：1）將圖片切分為相同巨細的塊，每個塊可以看做一個“單詞”；2）每個塊經(jīng)過線性投射層（全銜接層）的操作得到方位編碼（圖畫分類問題轉(zhuǎn)化為NLP問題）；3）將線性投射后的圖畫塊輸入由L層Transformer模型構(gòu)成的編碼器；4）輸出成果經(jīng)過多層感知機（MLP）得到終究分類成果�，F(xiàn)在，ViT已開展出多種改善模型，在核算機視覺物體檢測等方面具有很大運用潛力。

自監(jiān)督學習(Self-supervised Learning):旨在關于無標簽數(shù)據(jù)，經(jīng)過規(guī)劃輔佐使命來挖掘數(shù)據(jù)本身的表征特性作為監(jiān)督信息，來進步模型的特征提取才能，將無監(jiān)督問題轉(zhuǎn)化為有監(jiān)督問題的辦法。輔佐使命是自監(jiān)督學習要害內(nèi)容，現(xiàn)在首要包括自然言語處理NLP和核算機視覺CV兩大類使命。其間，自然言語處理包括單詞猜測、語句序列猜測、詞序列猜測；核算機視覺包括圖畫使命、視頻使命等。聞名AI科學家Yann Lecun曾經(jīng)提出，假如將人工智能比作一塊蛋糕，蛋糕的大部分是自監(jiān)督學習，蛋糕上的糖衣是監(jiān)督學習，蛋糕上的櫻桃是強化學習，自監(jiān)督學習在人工智能范疇占據(jù)重要地位。

類腦核算(Brain-Inspired Computing):又稱神經(jīng)形態(tài)核算，是借鑒生物神經(jīng)系統(tǒng)信息處理形式和結(jié)構(gòu)的核算理論、系統(tǒng)結(jié)構(gòu)、芯片規(guī)劃以及運用模型與算法的總稱。類腦核算可模擬人類大腦信息處理方式，以極低的功耗對信息進行異步、并行、高速和分布式處理，并具備自主感知、辨認和學習等多種才能，是完成通用人工智能的途徑之一。2020年10月，清華大學張悠慧等人在Nature雜志發(fā)表論文,初次提出“類腦核算齊備性”，添補類腦研討齊備性理論與相應系統(tǒng)層次結(jié)構(gòu)方面的空白。類腦核算技能的開展將推進圖畫辨認、語音辨認、自然言語處理等前沿技能的打破，有望推進新一輪技能革命。

AI大模型(Foundation Models):是指經(jīng)過大規(guī)劃數(shù)據(jù)練習且在經(jīng)微調(diào)后即可適應廣泛下流使命的模型。跟著參數(shù)規(guī)劃不斷擴大，AI大模型在言語、視覺、推理、人機交互等范疇出現(xiàn)出新才能。因為各類AI大模型可有效運用于多種使命，各類AI大模型同質(zhì)化特征益發(fā)明顯。隨同2017年Transformer模型的提出，深度學習模型參數(shù)數(shù)量打破1億個。此后，模型參數(shù)數(shù)量迅速添加，其間BAGUALU模型于2021年7月發(fā)布，參數(shù)規(guī)劃已到達174萬億個。模型參數(shù)規(guī)劃的增大，有助于進一步進步模型的運算精度。AI大模型的運用向多個運用場景供給預練習方案，其運用的自監(jiān)督學習辦法也可削減標示數(shù)據(jù)的運用，下降練習研發(fā)本錢。詳細而言，AI大模型在醫(yī)療和生物醫(yī)藥、法令和教育等范疇具有寬廣運用前景。

2、工業(yè)交融

元世界（Metaverse）：本質(zhì)上是對現(xiàn)實世界的虛擬化、數(shù)字化過程，其首要包括基礎設施、人機交互、空間核算等七層架構(gòu)，其間核算機視覺、AI芯片和嵌入式AI等人工智能技能及基礎設施一起助力元世界加速落地。元世界包括芯片、云核算、技能渠道、通信、智能設備、內(nèi)容服務等龐大生態(tài)系統(tǒng)。當時全球科技企業(yè)紛繁投入到元世界建造熱潮中，如Nvidia、Meta、Microsoft等科技巨頭及國內(nèi)企業(yè)推出元世界解決方案，運用于辦公、娛樂、規(guī)劃等范疇。

人工智能與生命科學：AlphaFold是由谷歌旗下DeepMind團隊根據(jù)深度學習算法的蛋白質(zhì)結(jié)構(gòu)猜測的人工智能系統(tǒng)，其被視作人工智能深化到生物范疇的一大打破�，F(xiàn)在AlphaFold已對98.5%的人類蛋白質(zhì)結(jié)構(gòu)做出猜測，此外還關于大腸桿菌、果蠅、斑馬魚、小鼠等研討時常用生物的蛋白質(zhì)結(jié)構(gòu)進行猜測。DeepMind與歐洲生物信息研討所（EMBL-EBI）聯(lián)合發(fā)布由AlphaFold猜測的蛋白質(zhì)結(jié)構(gòu)數(shù)據(jù)庫—AlphaFold Protein Structure Database，該數(shù)據(jù)庫已包括約35萬個蛋白質(zhì)結(jié)構(gòu)。

人工智能與新冠疫情：Eva是用于檢測入境旅客新冠病毒的強化學習系統(tǒng)，其由美國南加州大學、美國賓夕法尼亞大學、AgentRisk以及希臘相關專家合作開發(fā)。2020年，Eva系統(tǒng)被部署到希臘所有入境口岸（機場、港口、車站等），用于辨認約束新冠無癥狀旅客入境。借助Eva系統(tǒng)，希臘每天對抵達或途經(jīng)該國大約41,000戶家庭中約17%人員進行檢測。經(jīng)過比較，Eva發(fā)現(xiàn)感染的旅行者比原先嚴格依照其國籍檢測的方式多1.25-1.45倍。與隨機檢測比較，Eva在旅行旺季發(fā)現(xiàn)感染的旅行者是前者的4倍，非旅行旺季的成果是隨機檢測的1.85倍，獲得杰出檢測效果。

人工智能與半導體：功耗、功能和面積（PPA）是芯片規(guī)劃中的三個重要優(yōu)化方針。為使PPA優(yōu)化成果更佳，一起為應對芯片安全性需求進步、規(guī)劃規(guī)劃攀升及工藝節(jié)點微縮等趨勢，EDA廠商開端使用AI技能解決半導體芯片規(guī)劃問題。在EDA中，數(shù)據(jù)快速提取模型、布局和布線、電路仿真模型、PPA優(yōu)化決議計劃等環(huán)節(jié)均有AI技能參加。AI運用于EDA首要有兩種形式：1）運用于EDA東西以優(yōu)化單一芯片規(guī)劃環(huán)節(jié)，如Google、西門子EDA；2）運用于全體芯片規(guī)劃流程優(yōu)化,如Cadence、Synopsys。此外，華大九霄、臺積電等公司亦將AI納入芯片出產(chǎn)各個環(huán)節(jié)。將AI與芯片規(guī)劃作業(yè)結(jié)合，不僅有助于開釋人力本錢、進步作業(yè)功率，還將進一步弱化人在其間的效果，乃至或許改動EDA工業(yè)格局。

人工智能與碳中和：自2015年第21屆聯(lián)合國氣候改動大會后，碳中和已成為全球共識。當時，碳中和已獲得全球超越40個國家和地區(qū)承諾，其間大部分國家宣布將于2050年左右完成碳中和方針。從全體來看，人工智能將從猜測、監(jiān)測、優(yōu)化三大環(huán)節(jié)助力碳中和，如猜測未來碳排放量、實時監(jiān)測碳足跡、優(yōu)化作業(yè)流程等。依據(jù)BCG數(shù)據(jù)，到2030年人工智能的運用有望削減26-53億噸二氧化碳排放量，占全球減排總量5-10%。從行業(yè)來看，人工智能在不同范疇及不同環(huán)節(jié)發(fā)揮重要效果，其首要在城市、制造、轎車、電力四大范疇助力“碳中和”。

人工智能與冬奧會：2022年2月，第24屆冬季奧林匹克運動會成功在北京舉辦。人工智能技能在冬奧會開幕式、競賽項目、運動員練習等多個場景完成運用，助力科技冬奧方針完成。Intel打造的3DAT技能，一方面可以幫助教練員提出科學練習計劃，有效進步運動員練習功率，一起還可以在開幕式中完成與藝人互動效果；商湯科技為冬奧會冰壺競賽打造的“冰壺運動軌道捕捉”技能，完成對冰壺檢測追尋和軌道捕捉。未來，人工智能與體育賽事、體育運動的交融程度將逐漸加深。

3、熱點問題

人工智能工業(yè)開展的途徑探究：結(jié)合人工智能工業(yè)特點，梳理出“創(chuàng)新投入—科研成果—商業(yè)化落地”的開展途徑。其間，創(chuàng)新投入首要觸及人才投入、本錢投入和要素投入；科研成果包括論文、開源軟硬件和專利；商業(yè)化落地包括AI產(chǎn)品、AI解決方案和AI渠道。當時人工智能工業(yè)從投入端到科研成果端開展較快，人工智能在學術(shù)研討范疇不斷獲得打破。但另一方面，人工智能從技能成果到商業(yè)化落地環(huán)節(jié)仍面對許多挑戰(zhàn)，如算法練習的通用性不強、泛化才能不強、商業(yè)化本錢較高、相關工業(yè)及企業(yè)關于人工智能技能承受程度不高等問題，需求不斷從方針機制、技能開展以及管理層觀念等方面不斷完善，才能終究推進人工智能在商業(yè)化方面完成快速開展。

熱點問題：道德與安全：跟著人工智能技能的高速開展與遍及運用，由其發(fā)生的道德與安全問題日益受到重視。人工智能不光延續(xù)信息技能的道德問題，又因深度學習算法具有不透明、難解釋、自適應、運用廣泛等特征而在基本人權(quán)、社會秩序、國家安全等方面發(fā)生新問題。人工智能典型道德問題包括：威脅公民生命安全、算法輕視、威脅隱私權(quán)、影響公民知情權(quán)和監(jiān)督權(quán)、虛假信息泛濫、損壞商場競爭環(huán)境、引起權(quán)利結(jié)構(gòu)改動、影響勞動者權(quán)益、AI兵器威脅世界和平等問題�，F(xiàn)在，全球人工智能管理尚處于初期探究階段,各國正加大人工智能范疇的管理力度，出臺人工智能道德相關原則，以預防AI在運用過程中發(fā)生的風險。未來，全球人工智能管理將由原則向操作攻略、行業(yè)標準等層面逐漸深化，加速構(gòu)建人工智能世界管理系統(tǒng)。

工作：人工智能將經(jīng)過改動勞動分工與人力本錢價值結(jié)構(gòu)深刻影響工作商場。AI與勞動力工作聯(lián)系包括三個方面：1）當AI本錢低于勞動力工資水平、且產(chǎn)品附加值又不足以彌補用工本錢時，AI運用將直接替代相應勞動崗位；2）AI運用添補勞動者無法擔任的崗位，既可下降錯誤率，進步產(chǎn)品質(zhì)量，也可維護人身安全和健康；3）AI運用催生新作業(yè)崗位，AI帶來出發(fā)生活方式的變革與社會功率的進步，全社會產(chǎn)能完成躍升，進一步發(fā)生新作業(yè)崗位。世界經(jīng)濟論壇發(fā)布的《2020未來工作陳述》估計，到2025年，機器或許會替代8,500萬個作業(yè)崗位，在AI推進下經(jīng)濟添加會發(fā)生9,700萬個新崗位。跟著AI技能開展，作業(yè)崗位、員工技能和使命類型將重塑，工作替代出現(xiàn)行業(yè)性特征，整體工作崗位數(shù)量仍將上升。

國家間技能約束：當時，開源深度學習框架、開源東西集、開源運用軟件快速開展，世界間AI技能交流不斷深化，但部分國家和政府間組織為保持本身AI技能優(yōu)勢，約束AI技能交流。如美國在2021年6月發(fā)布《創(chuàng)新與競爭法案》，在AI、無人機、芯片等多個范疇約束與我國合作；美國商務部于2019年10月和2020年5月將商湯科技、科大訊飛等多家我國AI公司參加其實體清單，實施出資約束；2022年白宮修訂“要害和新興技能（CET）清單”，對AI技能詳細分類并實施技能封閉。歐盟則于2021年9月經(jīng)過新出口控制法規(guī)，內(nèi)容包括人臉辨認等AI技能。上述相關方針與未來人工智能開展趨勢背道而馳，不利于各國開展技能合作。

人工智能在60多年的開展過程中閱歷了幾度起落。近年來，移動互聯(lián)網(wǎng)高速開展帶來的海量數(shù)據(jù)、深度學習算法的持續(xù)開展等一起推進人工智能技能在多個范疇獲得打破，與之前技能革命中的蒸汽機、電力等新技能比較，人工智能對經(jīng)濟社會的影響將更具顛覆性，成為新一輪科技革命和工業(yè)變革的重要驅(qū)動力量。